一种基于区间数多指标信息的聚类方法

针对一类特征指标值及指标权重均为区间数的多指标信息聚类问题,给出了一种最大树聚类分析方法·首先对区间数多指标信息聚类问题进行了描述;然后依据传统的基于数值信息的最大树模糊聚类分析方法的基本思路,给出了解决区间数多指标信息聚类问题的计算步骤·最后,通过给出一个算例说明了所给出的聚类方法·     

基于组合相似度的混合多指标信息聚类分析方法

针对传统聚类分析只采用单一相似测度进行刻画的不足,提出了一种组合相似度的聚类分析思路.同时在实际问题中,由于聚类问题的复杂性、模糊性和不确定性,聚类信息常常是包含精确实数形式、区间数形式、模糊数形式等多种形式的混合型多指标信息,为此利用组合相似度的聚类思想对这种混合多指标信息进行了聚类分析.该聚类分析方法相对于传统单一方法更加全面,并考虑了混合指标信息.最后给出了一个算例,证明了所提方法的有效性.     

一种基于风险态度因子的区间数信息聚类方法

针对具有不确定性区间数信息的聚类分析问题,提出了一种新的聚类分析方法·该方法的基本思路是:首先通过引入具有风险态度因子的区间映射函数,将区间数聚类信息映射为点值聚类信息,并使要研究的问题转化为传统的模糊聚类问题;然后在此基础上给出了基于编网的聚类方法;进一步地,可通过选取不同的风险态度因子对聚类分析结果进行灵敏度分析·该分析方法具有简单、实用的特点,它克服了研究此类聚类问题时所遇到的区间数难以排序的问题·在文中最后,通过给出一个算例说明了该方法的应用·     

基于模糊聚类方法的海工结构耐久性评估

考虑海工结构耐久性评估的模糊性特点,提出一种新的耐久性评估方法.基于模糊数学原理对待估样本进行聚类分析,利用MATLAB模糊工具箱实现对海工构件耐久性的模糊评估;建立样本对于类别的不确定性描述,给出每个样本隶属于某一聚类中心的模糊隶属度.结果表明:采用的模糊聚类方法避免了传统硬划分对构件耐久性评估的不合理性,符合客观实际;基于软划分的模糊c-均值聚类的MATLAB编程法避免了主观因素对评估结果的影响,可对多个样本及多个评价指标的待评估事物进行模糊聚类分析,评估结果形象且动态反映了样本的耐久性状况.     

一种基于部分样本类别判定的聚类分析方法

针对传统聚类分析中,指标权重一般由专家直接给出,然后再在此基础上进行聚类分析的不足,提出了一种基于部分样本类别判定的聚类分析方法.首先对部分样本进行类别归属判定,然后利用类内聚类样本之间的距离应尽可能小的原理建立规划模型,通过"反推"的方式诱导出合理的权重信息,再据此进行样本聚类.该方法主要用于解决聚类样本较多,且聚类样本的指标权重难以显性确定情况下的聚类分析问题.最后给出的一个算例验证了所提方法的有效性.     

优度分析的发展与开拓

何湘藩在《模糊分级聚类分析方法》一文中给出了对多对象多指标进行按预期类别分级聚类的系统评价方法,在此基础上,又提出了“优度分析法”,其基本思想是:在分级聚类的基础上,应用综合优度来对被归入同一类别的对象进行排序.但是,用这样的方法解决问题时,还会有两个(或多个)对象并列的机会.因而,该文试图通过:①对原方法中的定义指标优度量;②确定上层指标下对象的隶属度两个步骤的改造来实现更精确的聚类排列.同时,也使“优度分析方法”在多层指标下更方便于应用.最后给出了改造后的方法的计算机流程框图。     

基于模糊聚类规则的网络性能分析方法

利用模糊聚类方法对网络性能进行分析,解决了网络性能分析数据自动聚类分析问题.重点探讨了网络性能分析数据的数据模型的建立和聚类过程,以及根据隶属度函数确立了数据对象的隶属关系,并给出了一个具体的模糊聚类算法.     

一种柴油机燃油系统故障诊断的新方法

提出一种基于小波变换和模糊C-均值聚类分析的柴油机燃油系统故障诊断方法.对测得的柴油机高压油管压力波形进行小波变换,提取了反映故障状态的5个特征参数.给出了模糊C-均值聚类算法的原理及一般步骤,指出用划分系数、划分熵和分离系数可以评价模糊聚类的有效性.利用模糊C-均值聚类算法建立标准故障特征模式,通过待识样本与标准模式的贴近度计算和比较,可以完成故障模式的模式识别.该方法应用于柴油机燃油系统的典型故障诊断中,测试表明采用小波分析和模糊C-均值聚类分析后,提高了判别故障的准确性.     

一类带最小约束的模糊聚类问题

考虑到模糊聚类中引入传递性可能使问题失真，提出了一类带最小约束的模糊聚类问题．给出了解决这类问题的两类方法：直接聚类法与基于无约束聚类的方法．并将这些方法与一般模糊聚类的方法进行了比较．     

基于区间数贴近度的最大树聚类算法研究

针对特征指标和权重指标均为区间数的多指标信息聚类问题,在传统的数值信息最大树聚类法的基础上,给出了基于区间数的多指标信息聚类问题的一种具体算法.在此过程中,加权相似矩阵的提出克服了属性权重对聚类产生的双重影响;并通过引入相对贴近度的概念,对相似区间进行排序.最后,通过实例验证了此算法的有效性.     

一种多指标语言决策方法

研究了指标权重信息和指标值信息不完全情况下的多指标语言决策问题·通过将决策者提供的指标权重语言信息用三角模糊数来描述,给出了基于决策者提供的指标权重语言信息的指标权重确定方法;然后,再通过将决策者提供的指标值语言信息用三角模糊数来描述,提出了基于指派问题的多指标语言决策方法,为决策者进行语言决策提供方法指导·最后,通过算例说明了方法的可行性和有效性·     

Linguistic granular model: design and realization

Linguisticgranularmodel[1—5]hasemergedasan interesting,attractiveandpowerfulmodelingenvi ronment.Incontrasttothosenumericallylinguistic models,linguisticgranularmodelfocusesoncreating theinstructivelinguisticgranularindataspacerather thanthenumericformation.Mostnumericallylin guisticmodelsemphasizetheiraccuracyratherthan transparency.However,someresearchersutilized conditionalfuzzyclustering(CFC)[6—8]toconstructa user drivenlinguisticmodel,inwhichtheinformation andrequirementsofuserarerepre…     

Linguistic granular model: design and realization

A new linguistic granular model is proposed and the effect of its parameters on the output is analyzed. The design of the model consists of two stages: using conditional fuzzy clustering for information granular, and integrating all information granules to final output. The integrating tool is fuzzy integral based on fuzzy measure, and the generalization of fuzzy integral increases flexibility of the linguistic granular model greatly. A heuristic algorithm to determine the parameters in the fuzzy integral is used to realize the linguistic model. Two experiments verify the feasibility of the proposed model.     

基于模糊聚类方法的T-S模糊系统建模

提出了用一个聚类验证准则设计模糊C均值聚类算法，这个聚类验证准则是用来确定模糊C均值算法中合适的聚类数．针对T—S模糊模型，由模糊c均值聚类算法确定其逻辑前件参数，进而采用最小二乘算法确定模糊推理规则的后件参数．最后，应用本文建模方法对一个非线性实例进行仿真计算，并与其它方法进行了比较，结果表明本文方法是有效的．     

无监督多尺度模糊聚类算法研究

针对模糊c均值聚类算法的一些不足之处提出了一种新的均值漂移聚类算法--无监督多尺度聚类算法.该算法不受初始化的影响,不用假定数据的聚类个数以及聚类中心的初始位置,能够利用模糊聚类的方法来获得硬的聚类划分,能够从不同的"划分尺度"揭示数据的聚类结构,并能自动的确定聚类个数.为了满足处理大数据集的需要,设计了快速无监督多尺度模糊聚类算法.通过实验证明无监督多尺度聚类算法在多数数据集上都表现良好且具有最好的总体聚类性能,并能成功揭示出数据的聚类结构.实验还证明快速无监督多尺度模糊聚类算法具有较快的速度和较高的识别精度且适用于大数据集.2个算法都取得了令人满意的实验结果.     

网页文献的快速模糊聚类

基于对文献聚类的3种方法(c-means法、模糊c-means法和学习向量量化法)的统计和分析,借鉴了模糊聚类思想,尤其是用协方差矩阵来描述聚类的形状和大小,并将其应用于学习向量量化算法中。针对新的参考向量开发了模糊竞争学习模式,并用该算法成功地解决了文献聚类的难题。实验结果表明:学习向量量化算法能有效地解决文献的聚类问题,运行时间短;该算法与模糊聚类算法相比更健壮;该算法使在线文献聚类分析成为可能。     

一种改进的彩色图像分割方法

介绍了一种融合多尺度形态学、蚁群聚类、模糊C-均值(FCM)聚类的新的彩色图像分割方法。该算法首先利用多尺度形态学提取图像边缘,再利用蚁群聚类算法的全局搜索性和鲁棒性的优点并结合边缘信息,确定聚类中心和聚类个数,将其作为FCM聚类的初始聚类中心和聚类个数,克服了FCM算法自身并不能确定聚类中心需要人为设定的缺陷。实验结果表明,该算法可以准确地分割出目标,是一种有效的图像分割方法。     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。